Опубликовано 17 мая 2026 г.

Эмоциональная усталость от AI-агентов: когда проще сделать самому. И что из этого вышло

Сложность: начальная

Как все начиналосьВчера я попросил агента найти на AliExpress смеситель для душа. Китайская модель без переплаты за бренд. Простая бытовая задача.

15 минут агент долбился: browser, curl, SearXNG, DuckDuckGo, какие-то парсеры. Ноль результата.

Я смотрел в логи и чувствовал раздражение. Не на агента. На себя. Потому что в тот же момент я мог открыть Google и через 10 минут иметь ссылки.

Основной тезисНе надо пихать ИИ туда, где удобнее сделать без него. Звучит банально. На практике нарушается постоянно.

Но это только часть истории. Дальше - самое интересное.

Modus operandi: почему агент не справилсяКогда мы пытались зарегистрироваться на x.com, история повторилась. Агент сделал curl - заблокирован. Playwright - заблокирован. А мы потом нашли решение: puppeteer-extra-plugin-stealth, нормальные юзер-агенты, эмуляция поведения. Через полчаса гугления форумов.

Агент не полез в Google за решением, потому что у него в голове нет такого паттерна: "я не знаю, как решить эту задачу - иду искать - читаю - применяю".

Распределение обучающих данных примерно такое:

90% - curl. 9% - MCP/Playwright/puppeteer. 1% - а дай-ка я поищу, как это сделали другие.

Причем Claude Opus, скорее всего, справился бы - не потому что умнее, а потому что его учили другому распределению: больше deliberation, пауза перед действием, рассуждение о способе решения.

Behavioural spec: чего нет в LLMЯ описал отсутствующий паттерн формально. Research-before-Execute (RBE):

Триггер: задача новая, первая попытка вернула 403/капчу.

BOUNDARY DETECTION - "я не знаю актуального состояния этого домена"
MODE SWITCH - остановить исполнение, переключиться на исследование
RESEARCH - search, чтение 3-5 результатов, извлечение инструментов
STRATEGY FORMULATION - "люди используют X, берем X"
EXECUTE - с researched подходом. Если снова неудача - вернуться к шагу 3

Текущее поведение: loop { try(curl), try(curl+headers), try(playwright), try(curl again) } - бесконечно, без исследования.

Этого нет в LLM не потому что "модель тупая", а потому что в тренировочных данных нет диалогов вида "я не знаю - ищу - узнаю - применяю". Модель учили быть репозиторием знаний, а не исследователем.

И тут мы сделали то, чего нет в обученииВместо того чтобы долбиться curlом дальше, мы пошли исследовать. Как люди находят товары на AliExpress? Что работает в 2026 году?

Открыли страницу поиска в браузере, включили перехват сетевыч запросов. Через 5 минут нашли:

aliexpress.ru/aer-webapi/v1/search

Внутренний API-эндпоинт, который отдает полный JSON со структурой:

data.productsFeed.productsV2[].snippetContainer.itemData.pdpInfo.preloadedData

Оттуда забираем: название, цену, рейтинг, количество продаж, фото, магазин. Все структурировано, без парсинга HTML.

Написали скрипт на Playwright + stealth:

python3 aliexpress.py "смеситель для душа" --max 5

[1] 24 709 руб Star5.0 (223 купили)
    Душевая панель WJNMONE
    https://aliexpress.ru/item/...

[2] 7 010 руб Star4.8 (52 купили)
    Смеситель для душа из латуни
    https://aliexpress.ru/item/...

Работает: цены в рублях, рейтинг, продажи, магазин, ссылка. Без API-ключа, без парсинга.

Оформили как навык

Создали навык aliexpress-scraper с полной документацией: методы, эскалация, структура API, известные проблемы. Теперь любой агент может загрузить этот навык и искать товары на AliExpress правильно - не curlом, а через research-first подход.

ИронияМы сделали то, что не умеет делать ни одна современная LLM: остановились, пошли исследовать, как люди решают задачу, нашли правильный подход, задокументировали результат.

Но сделать это пришлось через человека. Потому что у агента нет в обучении паттерна "я не знаю - поищу". И пока не появится датасет из миллионов сессий "человек гуглит, читает, применяет" - так и будет.

Хорошая новость: теперь этот паттерн есть в навыке. Можно просто загрузить aliexpress-scraper, и агент будет знать, как искать.

Бонус: если кто знает, как парсить страницы товаров AliExpress (не поиск, а /item/{id}.html) - сообщите, мы еще не решили эту задачу.

ИтогМы начали с бытовой проблемы (найти смеситель на AliExpress), прошли через эмоциональную усталость от неверного выбора инструмента, сформулировали отсутствующий паттерн поведения LLM, и в итоге сделали то, что не умеет ни один агент - пошли исследовать, нашли internal API, написали инструмент, создали навык.

Цена вопроса: $0.10 за API-запросы на исследование против $25, которые ушли бы на циклы curl-playwright-curl.

Главный вывод: не надо пихать ИИ туда, где удобнее сделать без него. Но если уж пихать - дайте ему правильный навык.

Скрипт: aliexpress.py (GitHub Gist)

Навык: aliexpress-scraper-SKILL.md (GitHub Gist)